불완전한 코호트 간의 인과 그래프 융합 및 테이블형 파운데이션 모델의 인과 스티어링

임상 데이터는 부분적으로 변수가 중복되는 불완전한 코호트들로 분할되어 있습니다. 결측 데이터 하에서의 인과 발견(Causal discovery under missing data)과 다중 소스 통합(multi-source integration)은 별도로 발전해 왔으며, 테이블형 파운데이션 모델(tabular foundation models)은 재학습 없이는 인과 그래프를 처리할 수 없습니다. 우리는 두 가지 기여를 합니다.

첫째, 인과 그래프 융합(causal graph fusion)은 공유 변수들에 대한 부분 조상 그래프(partial ancestral graph)를 학습하고, 시간적 배경 지식(temporal background knowledge) 하에 이를 각 코호트의 그래프에 융합하며 마르코프 담요(Markov blankets)가 재추정(re-imputation)을 안내하도록 하여 결측 데이터가 발견 과정 내에서 처리되게 합니다. 둘째, 인과 어텐션 스티어링(causal attention steering)은 학습된 그래프를 추론 시 고정된 테이블형 파운데이션 모델의 어텐션에 컴파일합니다.

알려진 참값(ground truth)에 대해, 융합은 테스트된 모든 결측도 및 이질성 조건에서 통합(pooled) 및 코호트별 기준선보다 우수하며 (p<0.001), 스티어링은 분포 이동(distribution shift) 하에서 판별력을 향상시키는데 (p<10^{-5}), 이는 무작위 그래프가 생성할 수 없는 이득입니다. 두 개의 척수 손상 코호트에서, 융합은 나이, 알부민, 헤모글로빈을 입원 기간(length of stay)의 조상으로 설정하는데, 이는 단일 코호트로는 완전히 설정하지 못하는 집합이며, 다섯 가지 결과 중 네 가지에 대해 자동 특징 선택(automatic feature selection)과 일치하거나 능가하는 간결하고 시간 순서가 지정된 예측 변수 세트를 산출합니다.